博士生顶会投稿受挫：实验结果背离理论时如何取舍
一名二年级博士生在准备 AAMAS 2027 顶会投稿时，遇到了方法论层面的棘手问题。他的核心假设是：若架构 X 在扰动 A 下比 Y 更具鲁棒性，且 B 是 A 的升级版，那么在 B 场景下 X 的性能也应优于 Y。但在实际跑实验时，结果却与推导完全相反。这篇讨论聚焦于实验翻车时的复盘过程：如何划定理论推导的边界、怎样重新评估现有支撑，以及在截稿日期压顶时，如何平衡理论贡献与实证效果的关系。对于身处科研一线、面临发表压力的 AI 研究者来说，这种排错思路颇具参考价值。